Neural network 二进制分类总是输出1

我正在进行

keras

的第一步，我正在尝试对

scikit-learn

中提供的癌症数据集进行二进制分类

# load dataset
from sklearn import datasets
cancer = datasets.load_breast_cancer()
cancer.data

# dataset into pd.dataframe
import pandas as pd
donnee = pd.concat([pd.DataFrame(data = cancer.data, columns = cancer.feature_names), 
                   pd.DataFrame(data = cancer.target, columns = ["target"])
                      ], axis = 1)

# train/test split
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(donnee.loc[:, donnee.columns != "target"], donnee.target, test_size = 0.25, random_state = 1)

我在这里尝试遵循keras的教程：

问题是，我总是得到相同的损失值（

6.1316862406430541

），和相同的精度（

0.6153841830232527

），因为预测总是1

我不确定是否是因为代码错误：

• 我不知道，也许X_火车的形状不对
• 或者我在

  epochs

  和/或

  batch\u size

  方面做错了什么

或者如果是因为网络本身：

• 如果我没有弄错的话，如果层没有偏差，所有1预测都是可能的，我还不知道它们是如何初始化的
• 但也许是别的原因，也许只有一层就太少了？（如果是这样，我想知道为什么keras的教程只有一层…）

这是我的代码，如果你有任何想法：

import keras
from keras.models import Sequential

model = Sequential()

from keras.layers import Dense

model.add(Dense(units=64, activation='relu', input_dim=30))
model.add(Dense(units=1, activation='sigmoid'))
model.summary()

model.compile(loss = keras.losses.binary_crossentropy,
              optimizer = 'rmsprop',
              metrics=['accuracy']
              )

model.fit(X_train.as_matrix(), y_train.as_matrix().reshape(426, -1), epochs=5, batch_size=32)

loss_and_metrics = model.evaluate(X_test.as_matrix(), y_test.as_matrix(), batch_size=128)
loss_and_metrics

classes = model.predict(X_test.as_matrix(), batch_size=128)
classes 

---

这是一个非常常见的情况。如果检查数据的柱状图，您将看到数据集中存在坐标范围从

0

到

100

的数据点。当您将这些数据输入到神经网络时，输入到

sigmoid

的数据可能太大，以致于它会受到下溢的影响。为了缩放数据，您可以使用或感谢您将使数据具有适合神经网络计算的范围。

您可以添加一个小数据样本、几个x_列和y列吗？您可以通过运行问题顶部的代码来获取数据。完整的数据集是569行x 31列，它不会融化你的计算机；）谢谢事实上，由于这个答案，我理解了这个问题：。这个问题也可以通过不在一个sigmoid之前链接relu来解决，例如多个sigmoid。实际上，这可能会在第一个

sigmoid

层中导致类似的问题。这是由于

sigmoid

饱和引起的。